删除 R 中的常量列

Question

收到此错误时我正在使用 prcomp 函数

Error in prcomp.default(x, ...) : 
cannot rescale a constant/zero column to unit variance

我知道我可以手动扫描我的数据，但是 R 中是否有任何函数或命令可以帮助我删除这些常量变量？ 我知道这是一项非常简单的任务，但我从未遇到过任何执行此操作的函数。

谢谢，

Answer 1

由于这个问答是一个流行的 Google 搜索结果，但对于大型矩阵来说答案有点慢，而且@raymkchow 版本在 NA 中速度很慢，我建议使用指数搜索和data.table 幂的新版本。

这是我在dataPreparation 包中实现的功能。

首先构建一个示例 data.table，行多于列（通常是这种情况）和 10% 的 NA

ncol = 1000
nrow = 100000
df <- matrix(sample(1:(ncol*nrow),ncol*nrow,replace = FALSE), ncol = ncol)
df <- apply (df, 2, function(x) {x[sample( c(1:nrow), floor(nrow/10))] <- NA; x} ) # Add 10% of NAs
df[,sample(1:ncol,70,replace = FALSE)] <- rep(1,times = nrow) # df is a large matrix
df <- as.data.table(df)

然后对所有方法进行基准测试：

time1 <- system.time(df1 <- df[,apply(df, 2, var, na.rm=TRUE) != 0, with = F]) # the first method
time2 <- system.time(df2 <- df[,!apply(df, MARGIN = 2, function(x) max(x, na.rm = TRUE) == min(x, na.rm = TRUE)), with = F]) # raymkchow
time3 <- system.time(df3 <- df[,apply(df, 2, function(col) { length(unique(col)) > 1 }), with = F]) # Keith's method
time4 <- system.time(df4 <- df[,-which_are_constant(df, verbose=FALSE)]) # My method

结果如下：

time1 # Variance approch
#   user  system elapsed 
#   2.55    1.45    4.07
time2 # Min = max approach
#   user  system elapsed 
#  2.72      1.5    4.22
time3 # length(unique()) approach
#   user  system elapsed 
#    6.7    2.75    9.53
time4 # Exponential search approach
#   user  system elapsed 
#   0.39    0.07    0.45
all.equal(df1, df2)
# [1] TRUE
all.equal(df3, df2)
# [1] TRUE
all.equal(df4, df2)
# [1] TRUE

dataPreparation:which_are_constant 比其他方法快 10 倍。

加上行数越多，使用起来就越有趣。

Answer 2

如果您正在寻求一个在 df 中返回非常量变量的 dplyr 解决方案，我建议您使用以下方法。或者，如果需要列名，您可以添加 %>% colnames()：

library(dplyr)
df <- data.frame(x = 1:5, y = rep(1,5))
# returns dataframe
var_df <- df %>%
  select_if(function(v) var(v, na.rm=TRUE) != 0)  
var_df %>% colnames() # returns column names

Answer 3

我猜这个问答是一个流行的谷歌搜索结果，但对于大型矩阵来说答案有点慢，而且我没有足够的声誉来评论第一个答案。因此，我发布了该问题的新答案。

对于一个大矩阵的每一列，检查最大值是否等于最小值就足够了。

df[,!apply(df, MARGIN = 2, function(x) max(x, na.rm = TRUE) == min(x, na.rm = TRUE))]

这是测试。与第一个答案相比，减少了 90% 以上的时间。它也比对问题的第二条评论的答案更快。

ncol = 1000000
nrow = 10
df <- matrix(sample(1:(ncol*nrow),ncol*nrow,replace = FALSE), ncol = ncol)
df[,sample(1:ncol,70,replace = FALSE)] <- rep(1,times = nrow) # df is a large matrix

time1 <- system.time(df1 <- df[,apply(df, 2, var, na.rm=TRUE) != 0]) # the first method
time2 <- system.time(df2 <- df[,!apply(df, MARGIN = 2, function(x) max(x, na.rm = TRUE) == min(x, na.rm = TRUE))]) # my method
time3 <- system.time(df3 <- df[,apply(df, 2, function(col) { length(unique(col)) > 1 })]) # Keith's method

time1
#   user  system elapsed 
# 22.267   0.194  22.626 
time2
#   user  system elapsed 
#  2.073   0.077   2.155 
time3
#   user  system elapsed 
#  6.702   0.060   6.790
all.equal(df1, df2)
# [1] TRUE
all.equal(df3, df2)
# [1] TRUE

Answer 4

这里的问题是您的列方差等于零。您可以通过这种方式检查数据框的哪一列是常量，例如：

df <- data.frame(x=1:5, y=rep(1,5))
df
#   x y
# 1 1 1
# 2 2 1
# 3 3 1
# 4 4 1
# 5 5 1

# Supply names of columns that have 0 variance
names(df[, sapply(df, function(v) var(v, na.rm=TRUE)==0)])
# [1] "y" 

所以如果你想排除这些列，你可以使用：

df[,sapply(df, function(v) var(v, na.rm=TRUE)!=0)]

编辑： 实际上使用apply 更简单。像这样：

df[,apply(df, 2, var, na.rm=TRUE) != 0]